論文の概要: End-to-End Learning of OFDM Waveforms with PAPR and ACLR Constraints
- arxiv url: http://arxiv.org/abs/2106.16039v1
- Date: Wed, 30 Jun 2021 13:09:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-01 15:15:19.356006
- Title: End-to-End Learning of OFDM Waveforms with PAPR and ACLR Constraints
- Title(参考訳): PAPRおよびACLR制約を用いたOFDM波形のエンドツーエンド学習
- Authors: Mathieu Goutay, Fay\c{c}al Ait Aoudia, Jakob Hoydis, Jean-Marie Gorce
- Abstract要約: 送信機にニューラルネットワーク(NN)を用いて,PAPRと隣接チャネルリーク比(ACLR)を制御可能な高次元変調方式を学習することを提案する。
2つのNNはOFDM上で動作し、PAPRとACLRの制約を強制するトレーニングアルゴリズムを使用して、エンドツーエンドで共同最適化される。
- 参考スコア(独自算出の注目度): 15.423422040627331
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Orthogonal frequency-division multiplexing (OFDM) is widely used in modern
wireless networks thanks to its efficient handling of multipath environment.
However, it suffers from a poor peak-to-average power ratio (PAPR) which
requires a large power backoff, degrading the power amplifier (PA) efficiency.
In this work, we propose to use a neural network (NN) at the transmitter to
learn a high-dimensional modulation scheme allowing to control the PAPR and
adjacent channel leakage ratio (ACLR). On the receiver side, a NN-based
receiver is implemented to carry out demapping of the transmitted bits. The two
NNs operate on top of OFDM, and are jointly optimized in and end-to-end manner
using a training algorithm that enforces constraints on the PAPR and ACLR.
Simulation results show that the learned waveforms enable higher information
rates than a tone reservation baseline, while satisfying predefined PAPR and
ACLR targets.
- Abstract(参考訳): 直交周波数分割多重化(OFDM)は、マルチパス環境の効率的な処理により、現代の無線ネットワークで広く利用されている。
しかし、パワーアンプ(PA)効率を低下させるため、大きな電源バックオフを必要とするピーク対平均パワー比(PAPR)の低下に悩まされる。
本研究では,送信機におけるニューラルネットワーク(NN)を用いて,PAPRと隣接チャネルリーク比(ACLR)を制御可能な高次元変調方式を学習することを提案する。
受信側では、送信されたビットのデマッピングを行うためにNNベースの受信機が実装される。
2つのNNはOFDM上で動作し、PAPRとACLRの制約を強制するトレーニングアルゴリズムを使用して、エンドツーエンドで共同最適化される。
シミュレーションの結果,学習波形は,事前定義されたPAPRとACLRの目標を満たすとともに,トーン予約ベースラインよりも高い情報レートを実現できることがわかった。
関連論文リスト
- AMC-Net: An Effective Network for Automatic Modulation Classification [22.871024969842335]
本稿では,マルチスケールかつ効率的な特徴抽出を行いながら,周波数領域の入力信号をノイズ化することで認識を改善する新しいAMC-Netを提案する。
2つの代表的なデータセットの実験により、我々のモデルは、現在の方法よりも効率と効率が良いことを示した。
論文 参考訳(メタデータ) (2023-04-02T04:26:30Z) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳(メタデータ) (2022-05-22T12:16:43Z) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳(メタデータ) (2022-05-02T12:23:55Z) - Learning OFDM Waveforms with PAPR and ACLR Constraints [15.423422040627331]
達成可能な情報レートを最大化しつつ,選択した制約を満たすOFDMベースの波形を設計するための学習ベース手法を提案する。
エンドツーエンドシステムは,PAPRとACLRの制約を満たすことができ,スループットを著しく向上させることができることを示す。
論文 参考訳(メタデータ) (2021-10-21T08:58:59Z) - Waveform Learning for Next-Generation Wireless Communication Systems [16.26230847183709]
本稿では,送信受信フィルタ,星座形状,それに付随するビットラベリング,およびニューラルネットワーク(NN)ベースの検出器の結合設計のための学習に基づく手法を提案する。
この方法は、隣接するチャネルリーク比(ACLR)とピーク・ツー・アベイジ・パワー比(PAPR)の制約を同時に満たしつつ、達成可能な情報レートを最大化する。
論文 参考訳(メタデータ) (2021-09-02T14:51:16Z) - HybridDeepRx: Deep Learning Receiver for High-EVM Signals [13.678714245633596]
機械学習(ML)を用いたOFDM信号の復調のための物理層レシーバソリューションを提案する。
時間領域と周波数領域の両方に層を含む、新しいディープラーニングベースの畳み込みニューラルネットワークレシーバが考案された。
論文 参考訳(メタデータ) (2021-06-30T14:10:01Z) - End-to-end Waveform Learning Through Joint Optimization of Pulse and
Constellation Shaping [16.26230847183709]
通信システムは、共同通信やセンシングといった新しいサービスを実現するためのものだ。
本研究では、パルス整形と星座幾何学の連成学習を通して波形を設計するためのエンドツーエンドの学習手法を提案する。
論文 参考訳(メタデータ) (2021-06-29T08:22:05Z) - Model-Driven Deep Learning Based Channel Estimation and Feedback for
Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。
無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。
MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-04-22T13:34:53Z) - Distributional Reinforcement Learning for mmWave Communications with
Intelligent Reflectors on a UAV [119.97450366894718]
無人航空機(UAV)搭載のインテリジェントリフレクタ(IR)を用いた新しい通信フレームワークを提案する。
ダウンリンク和率を最大化するために、最適プリコーディング行列(基地局)と反射係数(IR)を共同で導出する。
論文 参考訳(メタデータ) (2020-11-03T16:50:37Z) - Deep Denoising Neural Network Assisted Compressive Channel Estimation
for mmWave Intelligent Reflecting Surfaces [99.34306447202546]
本稿では,mmWave IRSシステムに対するディープデノイングニューラルネットワークを用いた圧縮チャネル推定法を提案する。
我々はまず、受信チェーンをほとんど使わず、アップリンクのユーザ-IRSチャネルを推定するハイブリッド・パッシブ/アクティブIRSアーキテクチャを導入する。
完全チャネル行列は、圧縮センシングに基づいて限られた測定値から再構成することができる。
論文 参考訳(メタデータ) (2020-06-03T12:18:57Z) - Optimization-driven Deep Reinforcement Learning for Robust Beamforming
in IRS-assisted Wireless Communications [54.610318402371185]
Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。
我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。
過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
論文 参考訳(メタデータ) (2020-05-25T01:42:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。